مقاله رنگ آمیزی پارامتری مبتنی بر تقسیم بندی

چکیده

We introduce a novel image-to-painting method that facilitates the creation of large-scale, high-fidelity paintings with human-like quality and stylistic variation. To process large images and gain control over the painting process, we introduce a segmentation-based painting process and a dynamic attention map approach inspired by human painting strategies, allowing optimization of brush strokes to proceed in batches over different image regions, thereby capturing both large-scale structure and fine details, while also allowing stylistic control over detail. Our optimized batch processing and patch-based loss framework enable efficient handling of large canvases, ensuring our painted outputs are both aesthetically compelling and functionally superior as compared to previous methods, as confirmed by rigorous evaluations. Code available at: https://github.com/manuelladron/semantic\_based\_painting.git

چکیده به فارسی (ترجمه ماشینی)

ما یک روش جدید تصویر به نقاشی را معرفی می کنیم که باعث ایجاد نقاشی های در مقیاس بزرگ و با وفاداری با کیفیت انسانی و تنوع سبک می شود.برای پردازش تصاویر بزرگ و کنترل فرایند نقاشی ، ما یک فرآیند نقاشی مبتنی بر تقسیم بندی و یک رویکرد نقشه توجه پویا را با الهام از استراتژی های نقاشی انسان معرفی می کنیم و به بهینه سازی سکته های قلم مو اجازه می دهیم تا در مناطق مختلف تصویر به صورت دسته ای ادامه دهند و از این طریق هر دو بزرگ را ضبط کنیمساختار صفحه و جزئیات خوب ، در عین حال امکان کنترل سبک بر جزئیات را نیز فراهم می کند.پردازش دسته ای بهینه سازی شده و چارچوب از دست دادن مبتنی بر پچ ، امکان دستیابی به بوم های بزرگ را فراهم می کند ، و اطمینان می دهد که خروجی های نقاشی شده ما از نظر زیبایی شناسی قانع کننده و از نظر عملکردی نسبت به روشهای قبلی ، همانطور که با ارزیابی های دقیق تأیید می شود ، برتر هستند.کد موجود در: https://github.com/manuelladron/semantic \_based\_painting.git